[图像特征匹配]SIFT、SURF、ORB算法笔记以及代码实现

SIFT、SURF、ORB算法学习笔记

一、 SIFT

    尺度不变特征转换(Scale-invariant feature transform）是一种用来侦测与描述影像中的局部性特征的视觉算法，即通过求一幅图中的特征点及其有关尺度和方向的描述子得到特征，并进行图像特征点匹配。SIFT所查找到的关键点是一些十分突出，不会因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等，噪声也保持一定程度的稳定性，除此之外SIFT还具有独特性，多量性，高速性，可扩展性等特点。

（1）构建尺度空间

①尺度空间的表示
    二维图像的尺度空间函数L，高斯函数与原图像的卷积。$$L(x,y,\sigma )=G(x,y,{\sigma }_D)\ast I(x,y)\text{\hspace{1em}(公式1)}$$

其中二维高斯函数为：
$$G_{\sigma }(x,y)=\frac{1}{\sqrt{2\pi {\sigma }^2}}exp(-\frac{x^2+y^2}{2{\sigma }^2})\text{\hspace{1em}(公式2)}$$

符号“*”表示卷积。
    在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆，如图分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。（根据高斯函数的可分离性，可对二维高斯模糊函数进行改进。）

图1.1 二维高斯函数的曲面表示

② 高斯金字塔的构建
    尺度空间在实现时使用高斯金字塔表示,高斯金字塔的构建分为两部分：对图像做不同尺度的高斯模糊；对图像做降采样(隔点采样)。后来有（2）点改进得到了高斯差分金字塔。

（2）使用DOG近似LOG定位极值点（关键点）

①（laplacian-gauss）LOG
    LOG（高斯-拉普拉斯算子）是一种边缘检测算子，产生稳定的图像特征。公式为：
L o g ≜ Δ G σ ( x , y ) + ∂ 2 G σ ( x , y ) ∂ y 2 = x 2 + y 2 − 2 σ 2 σ 4 e ( x 2 + y 2 ) 2 σ 2 (公式3) Log \triangleq \Delta G_\sigma(x,y)+ \frac{\partial^2G_\sigma(x,y)}{\partial y^2}=\frac{x^2+y^2-2\sigma^2}{\sigma^4}e^{\frac{(x^2+y^2)}{2\sigma^2}} \tag{公式3} Log≜ΔGσ​(x,y)+∂y2∂2Gσ​(x,y)​=σ4x2+y2−2σ2​e2σ2(x<